1. Regla de Producto de Itô

La regla de producto en cálculo estocástico, también conocida como la fórmula de integración por partes para procesos de Itô, extiende la regla de producto clásica del cálculo a procesos estocásticos. Mientras que la regla de producto determinista establece que \((fg)' = f'g + fg'\), la versión estocástica incluye un término de corrección adicional que surge de la variación cuadrática del movimiento browniano subyacente ¹. Este término de corrección, ausente en cálculo ordinario, captura la diferencia fundamental entre análisis determinista y estocástico.

La regla de producto es esencial para manipular integrales estocásticas, derivar el lema de Itô para procesos multivariados, y resolver ecuaciones diferenciales estocásticas ². Revela cómo la estructura de correlación entre dos procesos afecta su producto, un fenómeno sin análogo clásico.

1.1 La Regla de Producto Clásica: Una Breve Revisión

En cálculo ordinario, si \(f(t)\) y \(g(t)\) son funciones diferenciables, la regla de producto establece:

\[ \begin{equation} d(f(t)g(t)) = f(t)dg(t) + g(t)df(t) \label{eq:classical_product_rule} \end{equation} \]

o equivalentemente en forma integral:

\[ \begin{equation} f(T)g(T) - f(0)g(0) = \int_0^T f(t)dg(t) + \int_0^T g(t)df(t) \label{eq:classical_integral_form} \end{equation} \]

Esta fórmula se basa crucialmente en el hecho de que en cálculo determinista, los términos de segundo orden se desvanecen: \((df)^2 = 0\) en el límite. Sin embargo, en cálculo estocástico, la variación cuadrática del movimiento browniano es no nula, alterando fundamentalmente la regla de producto ³.

¿Por Qué Falla la Intuición Clásica?

En cálculo ordinario, cuando discretizamos la derivada, tenemos:

\[ \Delta(fg) = f(t+\Delta t)g(t+\Delta t) - f(t)g(t) \]

Expandiendo esto usando \(f(t+\Delta t) = f(t) + \Delta f\) y \(g(t+\Delta t) = g(t) + \Delta g\):

\[ \Delta(fg) = (f + \Delta f)(g + \Delta g) - fg = f\Delta g + g\Delta f + \Delta f \Delta g \]

En el caso determinista, \(\Delta f \Delta g = O((\Delta t)^2)\) se desvanece como \(\Delta t \to 0\), dejando solo la regla de producto clásica.

En cálculo estocástico, sin embargo, los incrementos browniano satisfacen \((\Delta W)^2 = O(\Delta t)\) en lugar de \(O((\Delta t)^2)\), lo que significa que el término cruzado \(\Delta f \Delta g\) puede contribuir en primer orden cuando \(\Delta f\) o \(\Delta g\) contiene un incremento browniano. Esta es la fuente del término de corrección en la regla de producto de Itô.

1.2 Enunciado de la Regla de Producto de Itô

Sea \(X(t)\) y \(Y(t)\) dos procesos de Itô definidos en un espacio de probabilidad filtrado \((\Omega, \mathcal{F}, (\mathcal{F}_t)_{t \geq 0}, \mathbb{P})\), siguiendo la dinámica:

\[ \begin{equation} dX(t) = \mu_X(t)dt + \sigma_X(t)dW_1(t) \label{eq:process_X} \end{equation} \]

\[ \begin{equation} dY(t) = \mu_Y(t)dt + \sigma_Y(t)dW_2(t) \label{eq:process_Y} \end{equation} \]

donde \(W_1(t)\) y \(W_2(t)\) son movimientos brownianos con correlación \(\mathbb{E}[dW_1(t)dW_2(t)] = \rho\,dt\) ¹. Entonces el producto \(Z(t) = X(t)Y(t)\) satisface:

\[ \begin{equation} d(XY) = X\,dY + Y\,dX + dX\,dY \label{eq:ito_product_rule} \end{equation} \]

Expandiendo los términos diferenciales usando la tabla de multiplicación del cálculo de Itô, donde \((dt)^2 = dt\,dW = 0\) y \((dW)^2 = dt\), obtenemos la forma explícita:

\[ \begin{equation} d(XY) = X\,dY + Y\,dX + \sigma_X(t)\sigma_Y(t)\rho\,dt \label{eq:ito_product_expanded} \end{equation} \]

El término \(\sigma_X(t)\sigma_Y(t)\rho\,dt = dX\,dY\) es el término de corrección que distingue el cálculo estocástico del determinista ². Este término surge de la covariación entre \(X\) y \(Y\), capturando cómo sus volatilidades interactúan.

La Tabla de Multiplicación de Itô

En cálculo estocástico, los productos diferenciales siguen reglas específicas derivadas de la variación cuadrática del movimiento browniano ³:

Producto	Valor	Explicación
\((dt)^2\)	\(0\)	Los términos deterministas se desvanecen en segundo orden
\(dt\,dW\)	\(0\)	Los términos mixtos se desvanecen
\(dW\,dt\)	\(0\)	Los términos mixtos se desvanecen
\((dW)^2\)	\(dt\)	Variación cuadrática del movimiento browniano

Para movimientos brownianos correlacionados \(W_1\) y \(W_2\) con correlación \(\rho\):

\[ dW_1\,dW_2 = \rho\,dt \]

Esta tabla de multiplicación es fundamental para todos los cálculos del cálculo de Itô y se sigue del hecho de que \(\mathbb{E}[(W(t+dt) - W(t))^2] = dt\).

1.3 Derivación Detallada

Ahora derivamos la regla de producto de Itô rigurosamente desde los primeros principios, siguiendo el enfoque en ¹. La derivación procede discretizando el tiempo, calculando el incremento de producto explícitamente, y tomando límites.

1.3.1 Discretización

Considere una partición del intervalo de tiempo \([0, T]\) en subintervalos: \(0 = t_0 < t_1 < \cdots < t_n = T\), con \(\Delta t_i = t_{i+1} - t_i\). Defina los incrementos:

\[ \begin{equation} \Delta X_i = X(t_{i+1}) - X(t_i), \quad \Delta Y_i = Y(t_{i+1}) - Y(t_i) \label{eq:discrete_increments} \end{equation} \]

El cambio en el producto sobre un paso de tiempo es:

\[ \begin{equation} \Delta(XY)_i = X(t_{i+1})Y(t_{i+1}) - X(t_i)Y(t_i) \label{eq:product_increment} \end{equation} \]

1.3.2 Expansión Algebraica

Reescriba el incremento de producto sumando y restando \(X(t_i)Y(t_{i+1})\):

\[ \begin{aligned} \Delta(XY)_i &= X(t_{i+1})Y(t_{i+1}) - X(t_i)Y(t_{i+1}) + X(t_i)Y(t_{i+1}) - X(t_i)Y(t_i) \\ &= (X(t_{i+1}) - X(t_i))Y(t_{i+1}) + X(t_i)(Y(t_{i+1}) - Y(t_i)) \\ &= \Delta X_i \cdot Y(t_{i+1}) + X(t_i) \cdot \Delta Y_i \end{aligned} \]

Ahora sustituya \(Y(t_{i+1}) = Y(t_i) + \Delta Y_i\):

\[ \begin{equation} \begin{aligned} \Delta(XY)_i &= \Delta X_i (Y(t_i) + \Delta Y_i) + X(t_i) \Delta Y_i \\ &= X(t_i)\Delta Y_i + Y(t_i)\Delta X_i + \Delta X_i \Delta Y_i \end{aligned} \label{eq:discrete_product_rule} \end{equation} \]

Esta es la regla de producto discreta, válida para cualquier proceso (determinista o estocástico). La pregunta clave es: ¿qué pasa al término cruzado \(\Delta X_i \Delta Y_i\) conforme \(\Delta t \to 0\)?

El Término Cruzado Crítico

En cálculo ordinario, \(\Delta X_i = O(\Delta t)\) y \(\Delta Y_i = O(\Delta t)\), así que:

\[ \Delta X_i \Delta Y_i = O((\Delta t)^2) \to 0 \]

y la regla de producto clásica emerge. Sin embargo, cuando \(X\) o \(Y\) contienen incrementos brownianos, los términos estocásticos satisfacen:

\[ \Delta X_i = \mu_X(t_i)\Delta t_i + \sigma_X(t_i)\Delta W_{1,i}, \quad \Delta W_{1,i} \sim \mathcal{N}(0, \Delta t_i) \]

La varianza del incremento browniano es \(\text{Var}(\Delta W_{1,i}) = \Delta t_i\), lo que significa \(\Delta W_{1,i} = O(\sqrt{\Delta t})\) en magnitud. Por lo tanto:

\[ (\Delta W_{1,i})^2 = O(\Delta t) \quad \text{(¡no negligible!)} \]

Esta propiedad fundamental del movimiento browniano—que su variación cuadrática se acumula a razón \(dt\)—es lo que necesita el término de corrección.

1.3.3 Calculando el Término Cruzado

Sustituya la dinámica del proceso de Itô en el término cruzado:

\[ \begin{aligned} \Delta X_i \Delta Y_i &= (\mu_X(t_i)\Delta t_i + \sigma_X(t_i)\Delta W_{1,i})(\mu_Y(t_i)\Delta t_i + \sigma_Y(t_i)\Delta W_{2,i}) \\ &= \mu_X\mu_Y(\Delta t_i)^2 + \mu_X\sigma_Y\Delta t_i\Delta W_{2,i} + \mu_Y\sigma_X\Delta t_i\Delta W_{1,i} + \sigma_X\sigma_Y\Delta W_{1,i}\Delta W_{2,i} \end{aligned} \]

Aplicando la tabla de multiplicación de Itô ¹:

\((\Delta t_i)^2 \to 0\) (se desvanece conforme \(\Delta t \to 0\))
\(\Delta t_i\Delta W_j \to 0\) (los términos mixtos se desvanecen)
\(\Delta W_{1,i}\Delta W_{2,i} \to \rho\,dt\) (covariación)

donde \(\rho = \text{Corr}(W_1, W_2)\) es la correlación instantánea entre los dos movimientos brownianos. Así:

\[ \begin{equation} \Delta X_i \Delta Y_i \to \sigma_X(t_i)\sigma_Y(t_i)\rho\,dt \label{eq:cross_term_limit} \end{equation} \]

Este es el único término que sobrevive del producto cruzado en primer orden ³.

1.3.4 Tomando el Límite

Sumando sobre todos los intervalos y tomando el límite conforme el tamaño de partición va a cero:

\[ \begin{aligned} X(T)Y(T) - X(0)Y(0) &= \lim_{\|\Delta\| \to 0} \sum_{i=0}^{n-1} \Delta(XY)_i \\ &= \lim_{\|\Delta\| \to 0} \sum_{i=0}^{n-1} \left[X(t_i)\Delta Y_i + Y(t_i)\Delta X_i + \Delta X_i \Delta Y_i\right] \\ &= \int_0^T X(t)\,dY(t) + \int_0^T Y(t)\,dX(t) + \int_0^T \sigma_X(t)\sigma_Y(t)\rho\,dt \end{aligned} \]

En forma diferencial:

\[ \begin{equation} d(XY) = X\,dY + Y\,dX + \sigma_X\sigma_Y\rho\,dt \label{eq:product_rule_final} \end{equation} \]

Esta es la regla de producto de Itô en su forma completa ².

1.4 Casos Especiales

La regla de producto general se simplifica bajo varias condiciones, revelando propiedades estructurales importantes.

1.4.1 Movimientos Brownianos Independientes (\(\rho = 0\))

Cuando \(W_1\) y \(W_2\) son independientes, \(\rho = 0\), y el término de corrección se desvanece:

\[ \begin{equation} d(XY) = X\,dY + Y\,dX \label{eq:product_rule_independent} \end{equation} \]

Esto se parece a la regla de producto clásica, pero las integrales aún deben interpretarse en el sentido de Itô ¹.

1.4.2 Mismo Movimiento Browniano (\(\rho = 1\), \(W_1 = W_2 = W\))

Cuando ambos procesos son impulsados por el mismo movimiento browniano:

\[ \begin{equation} d(XY) = X\,dY + Y\,dX + \sigma_X\sigma_Y\,dt \label{eq:product_rule_same_brownian} \end{equation} \]

Este caso surge frecuentemente en aplicaciones financieras donde múltiples activos son impulsados por un factor de riesgo común ².

1.4.3 Un Proceso es Determinista

Si \(Y(t)\) es una función determinista (es decir, \(\sigma_Y = 0\)), entonces:

\[ \begin{equation} d(XY) = X\,dY + Y\,dX = X\,Y'(t)dt + Y\,dX \label{eq:product_rule_deterministic} \end{equation} \]

recuperando la regla de producto clásica ya que el término de corrección se desvanece ³.

1.4.4 Producto de un Proceso Consigo Mismo (\(X = Y\), Fórmula de Itô para Cuadrados)

Estableciendo \(Y = X\) produce la fórmula importante:

\[ \begin{equation} d(X^2) = 2X\,dX + (dX)^2 = 2X\,dX + \sigma_X^2\,dt \label{eq:ito_square} \end{equation} \]

Expandiendo con \(dX = \mu_X dt + \sigma_X dW\):

\[ \begin{equation} d(X^2) = 2X(\mu_X dt + \sigma_X dW) + \sigma_X^2 dt = 2X\mu_X dt + 2X\sigma_X dW + \sigma_X^2 dt \label{eq:ito_square_expanded} \end{equation} \]

Esta fórmula es fundamental para derivar el lema de Itô para funciones generales \(f(X)\) y aparece en innumerables derivaciones del cálculo estocástico ¹.

1.5 Forma Integral

La forma diferencial de la regla de producto puede integrarse de \(0\) a \(T\) para obtener:

\[ \begin{equation} \begin{aligned} X(T)Y(T) &= X(0)Y(0) \\ &\quad + \int_0^T X(t)\,dY(t) \\ &\quad + \int_0^T Y(t)\,dX(t) \\ &\quad + \int_0^T \sigma_X(t)\sigma_Y(t)\rho\,dt \end{aligned} \label{eq:integral_product_rule} \end{equation} \]

Esta es la fórmula de integración por partes para procesos de Itô ². Reordenando términos:

\[ \begin{equation} \begin{aligned} \int_0^T X(t)\,dY(t) &= X(T)Y(T) \\ &\quad - X(0)Y(0) \\ &\quad - \int_0^T Y(t)\,dX(t) \\ &\quad - \int_0^T \sigma_X(t)\sigma_Y(t)\rho\,dt \end{aligned} \label{eq:integration_by_parts} \end{equation} \]

Esta fórmula nos permite transformar una integral estocástica en otra, una técnica frecuentemente usada en resolver ecuaciones diferenciales estocásticas ³.

Conexión a Integración por Partes Determinista

Compare la fórmula estocástica \(\ref{eq:integration_by_parts}\) con la integración por partes clásica del cálculo:

\[ \int_0^T f(t)g'(t)dt = f(T)g(T) - f(0)g(0) - \int_0^T g(t)f'(t)dt \]

La versión estocástica incluye un término de corrección adicional \(- \int_0^T \sigma_X(t)\sigma_Y(t)\rho\,dt\) que se desvanece en el límite determinista (\(\sigma_X = 0\) o \(\sigma_Y = 0\)), recuperando la fórmula clásica.

Este término de corrección surge precisamente porque las integrales estocásticas con respecto al movimiento browniano tienen covariación no nula, a diferencia de las integrales deterministas ².

1.6 Aplicaciones y Ejemplos

La regla de producto es indispensable para manipular ecuaciones diferenciales estocásticas y derivar fórmulas de precios en finanzas.

1.6.1 Martingala Exponencial

Considere \(X(t) = e^{W(t) - t/2}\) donde \(W(t)\) es movimiento browniano estándar. Para verificar que esto es una martingala, necesitamos calcular \(dX\).

Usando el lema de Itô (que depende fundamentalmente de la estructura de la regla de producto):

\[ dX = e^{W - t/2}dW \]

Dado que esto no tiene término \(dt\), \(X(t)\) es de hecho una martingala ¹. La regla de producto subyace el maquinario que produce este resultado.

1.6.2 Movimiento Browniano Geométrico

Para movimiento browniano geométrico \(S(t)\) satisfaciendo \(dS = \mu S dt + \sigma S dW\), considere el producto \(X(t) = S(t) \cdot e^{-rt}\) (precio de acción descontado).

Sea \(Y(t) = e^{-rt}\), así \(dY = -re^{-rt}dt\). Aplicando la regla de producto:

\[ \begin{aligned} d(SY) &= S\,dY + Y\,dS + dS\,dY \\ &= S(-re^{-rt}dt) + e^{-rt}(\mu S dt + \sigma S dW) + (\mu S dt + \sigma S dW)(-re^{-rt}dt) \\ &= e^{-rt}S[(-r + \mu)dt + \sigma dW] \end{aligned} \]

donde el término cruzado \(dS\,dY = 0\) ya que \(dY\) es determinista. Esta fórmula es central para la teoría de precios de opciones ².

1.6.3 Resolviendo una EDE Simple

Considere la EDE \(dX = aX dt + \sigma dW\) con \(X(0) = x_0\). Buscamos la solución usando la regla de producto con un factor integrante.

Defina \(Y(t) = e^{-at}\), así \(dY = -ae^{-at}dt\). Forme el producto \(Z = XY\):

\[ \begin{aligned} d(XY) &= X\,dY + Y\,dX + dX\,dY \\ &= X(-ae^{-at}dt) + e^{-at}(aX dt + \sigma dW) + (aX dt + \sigma dW)(-ae^{-at}dt) \\ &= e^{-at}\sigma dW \end{aligned} \]

Integrando ambos lados:

\[ X(t)e^{-at} - X(0) = \sigma \int_0^t e^{-as}dW(s) \]

Por lo tanto:

\[ \begin{equation} X(t) = x_0 e^{at} + \sigma e^{at}\int_0^t e^{-as}dW(s) \label{eq:sde_solution} \end{equation} \]

Este método de solución explícita, conocido como la fórmula de variación de constantes para EDEs, se basa completamente en la regla de producto ¹.

1.7 Conexión al Lema de Itô

La regla de producto es en realidad un caso especial del lema de Itô general. Para una función dos veces diferenciable \(f(X, Y)\) de dos procesos de Itô, el lema de Itô completo establece:

\[ \begin{aligned} df &= \frac{\partial f}{\partial X}dX + \frac{\partial f}{\partial Y}dY + \frac{1}{2}\frac{\partial^2 f}{\partial X^2}(dX)^2 + \frac{1}{2}\frac{\partial^2 f}{\partial Y^2}(dY)^2 + \frac{\partial^2 f}{\partial X \partial Y}dX\,dY \end{aligned} \]

Estableciendo \(f(X, Y) = XY\) da:

\[ \frac{\partial f}{\partial X} = Y, \quad \frac{\partial f}{\partial Y} = X, \quad \frac{\partial^2 f}{\partial X^2} = 0, \quad \frac{\partial^2 f}{\partial Y^2} = 0, \quad \frac{\partial^2 f}{\partial X \partial Y} = 1 \]

Por lo tanto:

\[ d(XY) = Y\,dX + X\,dY + 1 \cdot dX\,dY \]

que es precisamente la regla de producto. Así, la regla de producto de Itô es la especialización del lema de Itô a la función \(f(x,y) = xy\) ³.

La regla de producto para procesos de Itô encapsula la diferencia fundamental entre cálculo estocástico y determinista. El término de corrección \(dX\,dY = \sigma_X\sigma_Y\rho\,dt\) surge porque el movimiento browniano tiene variación cuadrática no nula, un fenómeno sin análogo clásico ¹. La regla de producto, junto con el lema de Itô y la fórmula de integración por partes, forma el kit completo para cálculo estocástico ².

Para exploración adicional de fundamentos del cálculo estocástico, ver Movimiento Browniano, Isometría de Itô, y Variación Cuadrática.

Bernt Øksendal. Stochastic Differential Equations: An Introduction with Applications. Springer, 6th edition, 2013. URL: https://link.springer.com/book/10.1007/978-3-642-14394-6. ↩↩↩↩↩↩↩↩↩
Steven E. Shreve. Stochastic Calculus for Finance II: Continuous-Time Models. Springer, 2004. URL: https://link.springer.com/book/10.1007/978-1-4757-4296-1. ↩↩↩↩↩↩↩↩
Ioannis Karatzas and Steven E. Shreve. Brownian Motion and Stochastic Calculus. Springer, 2nd edition, 1991. ↩↩↩↩↩↩